Vol. 11/ Núm. 1 2024 pág. 211
https://doi.org/10.69639/arandu.v11i1.202
Marco de referencia para la gestión de inventarios bajo la
metodología Demand Driven MRP: Un mapeo sistemático de
la literatura y FAHP
Framework for inventory management under the Demand Driven MRP methodology: A
systematic mapping of the literature and FAHP
Juan Carlos Muyulema-Allaica
jmuyulema@upse.edu.ec
https://orcid.org/0000-0002-9663-8935
Universidad Estatal Península de Santa Elena, Ecuador
Francisco Xavier Aguirre Flores
faguirre9919@gmail.com
https://orcid.org/0009-0004-7350-5744
Grupo Consultor Empresarial CAAPTES-Ecuador, Ecuador
Augusto Fabricio Santana Zambrano
augusto.santanaz@upse.edu.ec
https://orcid.org/0009-0005-9771-111X
Universidad Estatal Península de Santa Elena, Ecuador
Víctor Manuel Matias-Pillasagua
vmatias@upse.edu.ec
https://orcid.org/0000-0002-9877-5984
Universidad Estatal Península de Santa Elena, Ecuador
Artículo recibido: 15 marzo 2024 - Aceptado para publicación: 26 mayo 2024
Conflictos de intereses: Ninguno que declarar.
RESUMEN
Globalmente la demanda se caracteriza por las constantes fluctuaciones que presenta, por este
motivo es necesario implementar enfoques innovadores en la gestión de inventarios (GI) para
mantener el equilibrio entre la oferta y la demanda asegurando la disponibilidad del stock. En
base a esta necesidad el Demand Driven MRP (DDMRP) se presenta como una herramienta de
planificación de recursos que permite reducir el efecto látigo causado por la demanda mediante
los amortiguadores de inventario. El objetivo de esta investigación es formalizar un marco de
referencia para la identificación y determinación de la herramienta más óptima para desarrollar
una GI basada en la metodología DDMRP, para esto se realizó un mapeo sistemático de la
literatura (MSL), el cual consistió en definir los objetivos y las preguntas de investigación, realizar
la búsqueda en las bases de datos, la selección de los estudios mediante los criterios de inclusión
y exclusión. Para la extracción de datos se tomaron en cuenta elementos que representaron un
aporte significativo para la investigación, mientras que para la evaluación de las herramientas
Vol. 11/ Núm. 1 2024 pág. 212
identificadas se utilizó el proceso de jerarquía analítica difusa (FAHP). Los resultados del MSL
indicaron la existencia de 11 herramientas utilizadas para desarrollar una gestión de inventarios
basada en la metodología DDMRP y mediante el FAHP se determinó que la simulación de eventos
discretos tiene un peso de 25,28% siendo la herramienta con mayor impacto en la comunidad
científica, por este motivo se concluye que esta herramienta es la más adecuada para desarrollar
una GI basada en la metodología DDMRP dando paso a futuras investigaciones.
Palabras clave: gestión de inventarios, ddmrp, mapeo sistemático de la literatura, fahp,
simulación de eventos discretos
ABSTRACT
Globally, demand is characterized by constant fluctuations, which is why it is necessary to
implement innovative approaches in inventory management (IM) to maintain the balance between
supply and demand while ensuring stock availability. Based on this need Demand Driven MRP
(DDMRP) is presented as a resource planning tool to reduce the whip effect caused by demand
through inventory buffers. The objective of this research is to formalize a reference framework
for the identification and determination of the most optimal tool to develop an IM based on the
DDMRP methodology. For this purpose, a systematic literature mapping (SLM) was carried out,
which consisted of defining the objectives and research questions, searching in databases,
selecting the studies using inclusion and exclusion criteria. For data extraction, elements that
represented a significant contribution to the research were taken into account, while the fuzzy
analytic hierarchy process (FAHP) was used to evaluate the tools identified. The results of the
MSL indicated the existence of 11 tools used to develop an inventory management based on the
DDMRP methodology and through the FAHP it was determined that the discrete event simulation
has a weight of 25,28% being the tool with the greatest impact in the scientific community, for
this reason it is concluded that this tool is the most suitable to develop an IM based on the DDMRP
methodology giving way to future research.
Keywords: inventory management, ddmrp, systematic literature mapping, fahp, discrete
event simulation
Vol. 11/ Núm. 1 2024 pág. 213
INTRODUCCIÓN
A nivel mundial, la demanda de los clientes se caracteriza por las fluctuaciones, lo que
exige que las cadenas de suministros tengan la capacidad de realizar cambios en los niveles del
inventario a la vez que permanece receptivo a las variaciones de las demandas (Jin & Karki,
2024). En casos donde el inventario es insuficiente, una parte de la demanda se pospone para
cumplirla en el futura, mientras que el resto se lo considera como perdidas (Saha et al., 2023),
aunque aumentar el nivel del inventario en las empresas permite satisfacer en gran medida la
demanda, también ocasiona el incremento de los costos, por este motivo es necesario encontrar el
equilibrio entre la oferta y la demanda (Stranieri et al., 2024). Para Kaynov et al. (2024), la
optimización del inventario se realiza con el objetivo de minimizar los gastos relacionados al
inventario y para elevar los niveles de servicio.
En América del Sur, la Gestión de Inventarios (GI) es una herramienta para la
administración de los recursos necesaria que permite mantener un control adecuado de las
existencias y evitar las pérdidas de las unidades en stock (Rivadinayra et al., 2022). Sin embargo,
las empresas se ven forzadas a adoptar metodologías y enfoques que permitan estimar los niveles
de inventarios a lo largo de sus cadenas de valor (González & González, 2020). En base a esta
necesidad, surge la metodología Demand Driven MRP, la cual permite establecer las dimensiones
de los amortiguadores de inventario por medio del desacoplamiento de la Lista de Materiales
(BOM) provocando una mejora significativa en los costos de inventario y niveles de servicio
(Bayard et al., 2021).
En el territorio ecuatoriano, adoptar herramientas novedosas de planificación de los
recursos representa un reto para las cadenas de suministros, por este motivo es necesario el uso
de técnicas de análisis cuantitativo, como la optimización y la simulación (Reyes et al., 2024)
para mantener en equilibro la oferta y la demanda de tal manera que sea sostenible y facilite la
gestión de los recursos (Lorente-Leyva et al., 2024). En base a esto, Rojas et al. (2022)
determinaron que la optimización de la gestión de inventarios por medio de herramientas
tecnológicas puede minimizar los costos de inventario en un rango de 7% a 11%. Sin embargo,
mediante la revisión de diversos estudios ecuatorianos tales como Flores-Siguenza et al. (2023),
Mañay et al. (2022), Salazar et al. (2023), Zavala-Alcívar et al. (2023) y Zhai et al. (2023) se
evidenció la ausencia total de artículos científicos y datos estadísticos que abarquen la
implementación de la metodología DDMRP en la GI de las empresas ecuatorianas. Con este
contexto el objetivo de este estudio se centra en realizar una investigación sobre las herramientas
que permiten desarrollar una gestión de inventarios basada en la metodología DDMRP mediante
un Mapeo Sistemático de la Literatura (MSL) y determinar que herramienta representa un mayor
beneficio mediante un Proceso de Jerarquía Analítica Difusa (FAHP). De este modo establecer
las bases científicas para futuras investigaciones
Vol. 11/ Núm. 1 2024 pág. 214
MATERIALES Y MÉTODOS
El procedimiento metodológico utilizado para el desarrollo de este estudio se centra en
realizar la revisión bibliográfica que permita identificar las principales herramientas utilizadas
para la construcción de una Gestión de Inventarios (GI) basada en el Demand Driven MRP
(DDMRP) (Figura 1). Esta elección metodológica se fundamenta en el estudio realizado por
Eramo et al. (2024), quienes presentaron una estructura lógica secuencial para la elaboración de
un Mapeo Sistemático de la Literatura (MSL). Para el desarrollo de la primera etapa se
establecieron las preguntas de investigación que permitieron identificar los estudios enfocados en
la relación entre la gestión de inventarios y el Demand Driven MRP, posteriormente se estructuró
la cadena de búsqueda que fue empleada para la búsqueda de los estudios en las bases de datos
de Dimensions, Scopus y ScienceDirect. Además, se establecieron diversos criterios de inclusión
y exclusión con la finalidad de facilitar la selección de los artículos, luego se desarrolló la
extracción de los datos mediante la plantilla presentada en la Tabla 3, con el objetivo de
identificar los datos necesarios que cumplieron los requisitos en función a las preguntas de
investigación, para el análisis de los datos tabulados en la Tabla 5, en donde se detallaron las
diversas herramientas utilizadas para el desarrollo de una Gestión de Inventarios basada en el
Demand Driven MRP y los resultados obtenidos en cada artículos, posterior a esto se realizó un
Proceso de Jerarquía Analítica Difusa para establecer el ranking y el peso pertenecientes a cada
herramienta y de este modo identificar las más apropiada para la elaboración de una GI basada en
el DDMRP.
Figura 1
Procedimiento metodológico
Nota: Adaptado de Eramo et al. (2024).
Definir las preguntas
de investigación
Realización de la
búsqueda
Selección de los
artículos
Extracción de los datos
Análisis y clasificación
de los datos
Vol. 11/ Núm. 1 2024 pág. 215
Definición de las preguntas de investigación
Con la finalidad de identificar los conocimientos actuales de la comunidad científica sobre
las herramientas y metodologías empleadas para la formulación de una gestión de inventarios
basada en el Demand Driven MRP, se formularon los siguientes Objetivos (OB) de la búsqueda:
▪ OB1: Clasificar temporalmente los artículos para evaluar el interés de la comunidad científica
sobre las variables de investigación.
▪ OB2: Recopilar datos relacionados a las propuestas, metodología, procesos y resultados para
determinar el nivel de desarrollo de las iniciativas.
Una vez establecidos los objetivos de la búsqueda, se definieron las motivaciones que
dieron paso a la formulación de las Preguntas de Investigación (PI) utilizadas para identificar
aspectos claves de los artículos que permitieron el cumplimiento de los objetivos, además, se las
clasificó en función al objetivo que cumplieron, en este caso la PI1 cumple con el OB1 mientras
que las preguntas PI2 y PI3 se relacionan al OB2 (Tabla 1).
Tabla 1
Preguntas de Investigación
Preguntas de investigación
OB
PI1: ¿Cuándo se publicaron los artículos?
OB1
Motivación: Determinar la tendencia de la comunidad científica en un periodo
temporal específico.
PI2: ¿Qué herramientas se han empleado en las propuestas realizadas?
OB2
Motivación: Identificar las herramientas, métodos, procesos, metodologías.
PI3: ¿Qué resultados se han obtenido?
Motivación: Identificar el impacto de las propuestas en la gestión de inventarios.
Realización de la búsqueda
El proceso de búsqueda se conforma inicialmente por la identificación de las palabras
claves que formaron parte de la estructura de la cadena de búsqueda. Stewart & Dewan (2022)
propusieron el uso del método Población, Intervención, Comparación y Resultados (PICO) con
un enfoque exclusivo en la Población y la Intervención. En el contexto de esta investigación, la
población de interés es la GI mientras que la intervención es la metodología DDMRP. En este
contexto, las palabras claves identificadas para la búsqueda son: Gestión de Inventarios y Demand
Driven MRP, las cuales fueron refinadas y agrupadas en conjunto considerando los sinónimos y
palabras relacionadas que permitieron garantizar la recolección de aportes significativos en
relación a los objetivos de búsqueda. Además, se tuvo en cuenta que la mayoría de las bases de
datos utilizan principalmente el idioma inglés, por lo que se seleccionaron términos en inglés para
el MSL (Tabla 2).
Vol. 11/ Núm. 1 2024 pág. 216
Tabla 2
Palabras claves
POBLACIÓN
TÉRMINOS P
Gestión de Inventario
Inventory Management, Inventory Control.
INTERVENCIÓN
TÉRMINOS I
Demand Driven MRP
Demand Driven MRP, Demand Driven
Material Requeriments Planning, DDMRP.
Posteriormente, los términos establecidos fueron considerados como eslabones de la
estructura de la cadena de búsqueda, relacionando la población y la intervención mediante el
operador AND para su aplicación en las diversas bases de datos. Para la búsqueda de fuentes
bibliográficas se seleccionaron las siguientes bases de datos: Dimensions, Scopus y
ScienceDirect. En este contexto, se formuló la siguiente cadena de búsqueda, la cual fue empleada
en las bases de datos mencionadas:
(“Inventory Management” OR “Inventory Control”) AND ("Demand Driven MRP" OR
"Demand Driven Material Requeriments Planning" OR “DDMRP”)
Selección de los artículos
Para este proceso se establecieron criterios de inclusión y exclusión para garantizar que
solo se consideren estudios relevantes y de alta calidad. Los criterios de inclusión abarcan
artículos y revisiones científicas publicados en el período comprendido ente enero del 2021 hasta
marzo del 2024, pertenecientes al ámbito de ingeniería y que aborden directamente la gestión de
inventarios y el DDMRP. Por otro lado, los criterios de exclusión eliminan los artículos
duplicados en las diversas bases de datos considerando únicamente la versión más reciente,
también se descartaron los documentos no accesibles en texto completos, libros y literatura gris.
Extracción de los datos
En esta etapa se estructuró un formulario basado en el trabajo propuesto por Stewart &
Dewan (2022) en donde, se establecieron diversos elementos de datos que se analizaron para
realizar el proceso de extracción adecuado que permita recolectar información relevante para el
estudio. Los elementos establecidos para dar respuesta a las preguntas de investigación son: Titulo
del artículo, Nombre del autor y Año de publicación, Herramienta empleada y los Resultados
obtenidos en cada estudio.
Vol. 11/ Núm. 1 2024 pág. 217
Tabla 3
Formulario para la extracción de datos
Elemento de datos
Descripción
Título del articulo
Nombre del articulo
Nombre del autor
Conjunto de nombres de los autores
Año de publicación
Año natural
Herramienta empleada
¿Qué herramienta o metodología utilizaron?
Resultados obtenidos
¿Cuáles son los resultados alcanzados en las
investigaciones?
Nota: Adaptado de Stewart & Dewan (2022)
Análisis y clasificación de los artículos
Para obtener datos de calidad se llevó a cabo un proceso de clasificación por medio de
palabras claves denominado KeyWording, el cual permite clasificar los estudios por medio de un
esquema capaz de ajustarse a los estudios seleccionados, según Eramo et al. (2024), para cumplir
con este proceso se deben seguir los siguientes pasos: Identificar las palabras claves, para esto se
seleccionaron las palabras claves mencionadas con mayor frecuencia en los resúmenes de los
artículos como lo establece la técnica PLN, posteriormente, se refinaron las palabras claves con
el objetivo de ampliar el conjunto de categorías que corresponden a las preguntas de investigación.
RESULTADOS
Resultados del mapeo sistemático
Este estudio se realizó el 22 de marzo del 2024, abarcando toda la información disponible
hasta el momento en donde se determinó que el 86,6 % de las publicaciones se encuentran en la
base de datos de Dimensions mientras que en Scopus y ScienceDirect se concentran el 8,61 % y
el 4,79 % respectivamente, además por la magnitud de documentos resultantes, se utilizó un
software para la gestión de referencias, Mendeley Reference Manager, el mismo fue usado para
la eliminación de documentos duplicados (Tabla 4).
Tabla 4
Resultados de la búsqueda inicial
Base de datos
Resultados de la búsqueda
Porcentaje
Dimensions
181
86,6 %
Scopus
18
8,61 %
ScienceDirect
10
4,79 %
Total
209
100 %
Vol. 11/ Núm. 1 2024 pág. 218
Una vez culminado el proceso de búsqueda, el siguiente paso es seleccionar los artículos,
para esto se aplicaron los criterios de inclusión y exclusión mediante los filtros de las bases de
datos, lo cual redujo la cantidad de estudios a un total de 44 artículos, mediante un análisis rápido
se seleccionaron 33 artículos los cuales fueron analizados por medio de la lectura dando como
resultado final un total de 29 artículos en relación a la gestión de inventarios basada en la
metodología DDMRP. En la Figura 2 se demuestra gráficamente el proceso de selección de los
artículos.
Figura 2
Proceso de selección
Nota: Adaptado de Eramo et al. (2024).
Posteriormente, se tabularon los datos extraídos de los artículos seleccionados el objetivo
de identificar las diversas herramientas que se utilizan al implementar en enfoque Demand Driven
MRP en la gestión de inventarios. En donde se estableció que este enfoque es el factor común que
relaciona los estudios y se determinó en primera instancia que la Simulación de Eventos Discretos
es la herramienta más utilizada para la aplicación, validación y simulación del DDMRP en la IM
de las mayorías de empresas (Tabla 5).
Tabla 5
Matriz referencial de artículos
Arti
culo
Autor
Herramientas
Resultados
A1
(Bayard et al., 2021)
Simulación de eventos
discretos.
Mejora el OTD hasta el 99,5%.
A2
(Hasbullah &
Santoso, 2021)
Simulación de
escenarios.
Reduce la sobre producción.
A3
(Achergui et al.,
2021)
Programación Lineal de
Enteros Mixtos.
Mejora los tiempos
computacionales.
A4
(Land et al., 2021)
Enfoque integral de
diagnóstico.
Mejora la eficiencia operativa.
Vol. 11/ Núm. 1 2024 pág. 219
A5
(Gallego-García et
al., 2021)
Simulación de
escenarios.
Mejora las relaciones con los
proveedores.
A6
(Bortolini et al.,
2021)
Modelado matemático.
Reduce los costos del inventario.
A7
(Achergui et al.,
2022)
Modelo no Lineal de
Enteros Mixtos.
Soluciones factibles en menor
tiempo.
A8
(Paredes-Rodriguez
et al., 2022)
Simulación de eventos
discretos.
Optimiza costos de mantener y
nivel de servicio.
A9
(Lahrichi et al., 2022)
Programación Lineal de
Enteros Mixtos.
Reducción de niveles de
inventario.
A10
(Landeghem &
Cottyn, 2022)
Value Stream Mapping
Mejora en la eficiencia del
manejo de recursos.
A11
(Erraoui &
Charkaoui, 2022)
Simulación de eventos
discretos.
Alta respuesta a la variabilidad de
la demanda.
A12
(Haji Mohammad et
al., 2022)
Modelo no Lineal de
Enteros Mixtos.
Reduce costos de inventario.
A13
(Pekarcikova et al.,
2022)
Milk Run
Mejora los tiempos de espera.
A14
(Malindzakova et al.,
2022)
Lean Management
Mayor productividad y menos
costos.
A15
(Thürer et al., 2022)
Simulación de eventos
discretos.
Controla flujo de materiales.
A16
(Silva et al., 2022)
Modelado matemático.
Reducción de la frecuencia de
entrega.
A17
(Grobler-Dębska et
al., 2022)
Simulación de escenarios.
Optimiza la planificación y el
control.
A18
(Lorenzo-Espejo et
al., 2022)
Enfoque hibrido
metaheurístico.
Mejora en los tiempos de
ejecución.
A19
(Damand et al., 2022)
Algoritmo.
Reduce el tiempo de respuesta
de la variabilidad.
A20
(Cuartas & Aguilar,
2023)
Simulación de eventos
discretos.
Minimiza el riesgo de escases de
inventario.
A21
(Martin et al., 2023)
Simulación de eventos
discretos.
Controla el tamaño de los
Buffers con ADU.
A22
(Xu et al., 2023)
Modelado matemático.
Ajuste dinámico de la demanda
de materiales.
A23
(Dessevre, Baptiste,
et al., 2023)
Algoritmo
Mejora diversos aspectos del
inventario.
A24
(Salah et al., 2023)
Modelado matemático.
Mejora el rendimiento general
de la empresa.
A25
(Pekarcıkova et al.,
2023)
Simulación de escenarios.
Aumenta la eficiencia de la IM.
Vol. 11/ Núm. 1 2024 pág. 220
Los resultados del MSL demuestran la existencia de 29 artículos en los cuales se aplicaron
diversas herramientas para el desarrollo de una IM basada en la metodología DDMRP. Entre estas
herramientas se encuentran la Simulación de Eventos Discretos (SED), Modelado Matemático
(MM), Algoritmos (ALG), entre otras, siendo la SED la herramienta más utilizada para la
comparación y el análisis de la implementación del DDMRP en las IM de las organizaciones. En
artículos como A6, A8, A12, A14 y A18 se obtuvieron como resultados la reducción de los costos
de inventario, sumado a esto los estudios en donde se emplearon la SED alcanzaron diversos
resultados como la mejora de la Entrega a Tiempo (OTD) hasta en un 99,5% (A1), aumento en la
respuesta a la variabilidad de la demanda (A11) y optimización de la política de inventario (A29).
La totalidad de los artículos extraídos por medio del MSL tienen objetivos diferentes, para dar
cumplimento de dichos objetivos emplearon diversas herramientas y de esta forma obtuvieron
resultados diferentes entre sí, sin embargo, se demostró la existencia de un factor en común entre
los estudios, el cual es la optimización de la IM por medio de la aplicación de los Buffers del
DDMRP.
Bajo este contexto, la clasificación en base a las herramientas empleadas por las
investigaciones seleccionadas indica que la cantidad de estudios en la que se utilizó la SED
representa el 27,59% del total, siendo esta herramienta la que conlleva el mayor nivel de
contribuciones científicas, seguidas por el MM, ALG y la SE, con un porcentaje del 13,79% cada
una, mientras que las herramientas faltantes poseen un porcentaje de contribución muy bajo
(Figura 3).
Figura 3
Porcentajes de contribuciones
Simulación de eventos discretos
Algoritmo
Programación Lineal de Enteros Mixtos
Enfoque integral de diagnóstico
Milk Run
Enfoque hibrido metaheurístico
27,59%
13,79%
13,79%
13,79%
6,90%
6,90%
3,45%
3,45%
3,45%
3,45%
3,45%
PORCENTAJES DE CONTRIBUCIONES
A26
(Dessevre, Lamothe,
et al., 2023)
Simulación de eventos
discretos.
Mejora el control de los tiempos
de flujo.
A27
(Lahrichi et al., 2023)
Algoritmo
Contribuye a una planificación
más eficiente.
A28
(Ferretti & Marchi,
2024)
Algoritmo
Reduce costos de inventario y
mejora su rendimiento.
A29
(Xanthopoulos &
Kostavelis, 2024)
Simulación de eventos
discretos.
Optimiza la política de
inventario.
Vol. 11/ Núm. 1 2024 pág. 221
Proceso de jerarquía analítica difusa (FAHP)
Mendoza et al. (2019) determinaron que, el Proceso Analítico Jerárquico (AHP) tiene la
capacidad de generar juicios subjetivos a la vez de minimizar considerablemente la incertidumbre
creada por los juicios personales. Del mismo modo, Izar-Landeta et al. (2023) afirma que al
utilizar este método se logra establecer una relación jerárquica sin que los elementos del sistema
tengan interdependencia o realimentación entre ellos. Romero-Martínez et al. (2022)
establecieron que, el AHP permite analizar datos de propiedades cuantificables y no
cuantificables. Además Hamidah et al. (2022) afirmaron que al emplear este método las
inconsistencias en los factores generalmente son esperadas y toleradas, dando como referencia un
valor de 0,10 en la Relación de Consistencia (CR), lo que indica que si el CR calculado es inferior
a este valor el juicio es aceptable, en cambio el CR calculado es mayor se debe a la inconsistencia
del juicio.
Teniendo en consideración lo mencionado, el FAHP es una herramienta desarrollada para
la toma de decisiones mediante la integración matemática difusa y el AHP, con la finalidad de
abordad problemas complejos de decisión multicriterio (Wang et al., 2024). En FAHP se realiza
el cálculo de los pesos de las matrices de comparación por medio de pares de la escala de números
difusos triangulares (TNF), convirtiendo la escala AHP en una escala difusa (Abdullah et al.,
2023). Por este motivo, en esta investigación se emplea el FAHP para el cálculo de los pesos de
las herramientas empleadas por la comunidad científica para el desarrollo de una gestión de
inventarios basada en la metodología DDMRP. Bajo esta premisa, en la Figura 4 se especificaron
cada una de las herramientas identificadas mediante el mapeo sistemático de la literatura.
Vol. 11/ Núm. 1 2024 pág. 222
Figura 4
Herramientas para implementar una IM basada en DDMRP
En base al proceso propuesto por Muyulema-Allaica & Ruiz-Puente (2022), se calculó
inicialmente λmax, seguido del índice de consistencia (CI), el índice de consistencia aleatoria
(RCI) y finalmente la proporción de consistencia (CR) para comprobar la coherencia matricial
del FAHP. Bajo esta premisa, en la Tabla 6 se demuestran los resultados obtenidos por medio de
la aplicación de la herramienta hibrida de toma de decisiones FAPH, en donde se identificó la
importancia de la SED debido a su peso de 0,2528 lo que la mantiene en el primer nivel de la
Implementar una Gestión de
Inventarios basada en DDMRP
Simulación de Eventos Discretos (SED)
Algoritmo (ALG)
Simulación de Escenarios (SE)
Value Stream Mapping (VSM)
Modelado Matemático (MM)
Modelo no Lineal de Enteros Mixtos (MINLP)
Programación Lineal de Enteros Mixtos (MILP)
Enfoque Integral de Diagnóstico (EID)
Enfoque hibrido metaheurístico (EHM)
Milk Run (MR)
Lean Management (LMG)
Nivel l
Nivel 2
Vol. 11/ Núm. 1 2024 pág. 223
jerarquía difusa, sumado a esto el CR tiene un valor de 0,0918 indicando validez de la evaluación
debido a que es considerado un juicio aceptable.
Tabla 6
Proceso de jerarquía analítica difusa
Criterios
Matriz Normalizada
Peso
Ranking
CR
SED
0,28
0,30
0,22
0,37
0,38
0,17
0,21
0,16
0,18
0,17
0,19
0,25
1
0,0918
SE
0,09
0,10
0,22
0,04
0,13
0,17
0,13
0,16
0,11
0,17
0,11
0,14
4
VSM
0,06
0,02
0,04
0,04
0,03
0,17
0,04
0,09
0,18
0,03
0,04
0,06
6
ALG
0,09
0,30
0,13
0,12
0,13
0,06
0,13
0,16
0,18
0,10
0,11
0,14
3
MM
0,09
0,10
0,22
0,12
0,13
0,17
0,21
0,16
0,11
0,17
0,11
0,15
2
MINLP
0,09
0,03
0,01
0,12
0,04
0,06
0,04
0,09
0,04
0,10
0,04
0,06
5
MILP
0,06
0,03
0,04
0,04
0,03
0,06
0,04
0,01
0,11
0,03
0,11
0,05
7
EID
0,06
0,02
0,01
0,02
0,03
0,02
0,13
0,03
0,01
0,10
0,04
0,04
9
EHM
0,06
0,03
0,01
0,02
0,04
0,06
0,01
0,09
0,04
0,10
0,04
0,04
8
MR
0,06
0,02
0,04
0,04
0,03
0,02
0,04
0,01
0,01
0,03
0,19
0,04
10
LM
0,06
0,03
0,04
0,04
0,04
0,06
0,01
0,03
0,04
0,01
0,04
0,04
11
Nota: λmax = 12,4864; CI = 0,1486; RI = 1,62.
DISCUSIONES
En el caso de Haji Mohammad et al. (2022) se realizó un MINLP, en el cual se consideró
únicamente los costos de mantenimiento para la optimización del posicionamiento de los buffers,
logrando ahorrar el 75% de los costos totales de mantenimiento y el 67% de las cantidades en el
inventario. Mientras que en el caso de Paredes-Rodriguez et al. (2022), se aborda la SED para el
análisis, modelación y estudio de la implementación de una política de inventario basada en la
metodología DDMRP, mediante el uso de un software de simulación se determinó una reducción
del 41% en los tiempos de entrega y el 18% de la reducción de los niveles de stock, además se
incrementó el nivel de servicio en un 25% a la vez que alcanzaron estándares entre el 98% y
100%. Ambos estudios presentan enfoques y estrategias diferentes para la optimización de la GI,
mientras que el primer caso se centra en los costos de mantenimiento, el segundo tiene un enfoque
más general, sin embargo, en ambos casos se destaca la importancia de la planificación y
optimización de la gestión de inventarios con la finalidad de reducir costos de inventarios, niveles
de inventarios y tiempos de entrega a la vez que se aumentan los niveles de servicios.
En base a los resultados mostrados en la Tabla 5, se evidencia que los estudios publicados
por Bayard et al. (2021), Paredes-Rodriguez et al. (2022), Erraoui & Charkaoui (2022), Thürer et
al. (2022), Cuartas & Aguilar (2023), Martin et al. (2023), Dessevre, Lamothe, et al. (2023) y
Xanthopoulos & Kostavelis (2024) fundamentan la SED aporta diversos beneficios para el
desarrollo un sistema de GI basado en la metodología DDMRP, debido a su capacidad de simular
Vol. 11/ Núm. 1 2024 pág. 224
eventos disruptivos lo que conlleva a escenarios más realistas permitiendo analizar y resolver
problemas en base a la variabilidad de la demanda y minimizando costos de inventario, lo que
facilita la disminución del efecto látigo en la GI, por lo tanto mejora la eficiencia.
CONCLUSIONES
El Mapeo Sistemático de la Literatura (MSL) permitió identificar las diversas herramientas
utilizadas por la comunidad científica para el desarrollo de una Gestión de Inventarios (GI) basada
en la metodología Demand Driven MRP (DDMRP), siendo un total de 11 herramientas de las
cuales se destaca la Simulación de Eventos Discretos (SED) debido a que el porcentaje de
utilización que tiene es del 27,59%. Sin embargo, los resultados del Proceso de Jerarquía Analítica
Difusa (FAHP) demuestran que la SED cuenta con un peso del 25,28% siendo la que representa
el peso mayor entre las herramientas evaluadas, por este motivo se concluye que la SED es la
herramienta más adecuada para elaborar una GI basada en el DDMRP debido al impacto
significativo que tiene en la comunidad científica.
Vol. 11/ Núm. 1 2024 pág. 225
REFERENCIAS
Abdullah, A.-G., Shafii, M.-A., Pramuditya, S., Setiadipura, T., & Anzhar, K. (2023). Multi-
criteria decision making for nuclear power plant selection using fuzzy AHP: Evidence from
Indonesia. Energy and AI, 14, 100263. https://doi.org/10.1016/J.EGYAI.2023.100263
Achergui, A., Allaoui, H., & Hsu, T. (2021). Optimisation of the Automated buffer positioning
model under DDMRP logic. IFAC-PapersOnLine, 54(1), 582–588.
https://doi.org/10.1016/j.ifacol.2021.08.067
Achergui, A., Allaoui, H., & Hsu, T. (2022). Demand Driven MRP with supplier selection. IFAC-
PapersOnLine, 55(10), 257–262. https://doi.org/10.1016/j.ifacol.2022.09.398
Bayard, S., Grimaud, F., & Delorme, X. (2021). Study of buffer placement impacts on Demand
Driven MRP performance. IFAC-PapersOnLine, 54(1), 1005–1010.
https://doi.org/10.1016/j.ifacol.2021.08.119
Bortolini, M., Faccio, M., Galizia, F. G., & Gamberi, M. (2021). Push/Pull Parts Production
Policy Optimization in the ATO Environment. Applied Sciences, 11(14), 6570.
https://doi.org/10.3390/app11146570
Cuartas, C., & Aguilar, J. (2023). Hybrid algorithm based on reinforcement learning for smart
inventory management. Journal of Intelligent Manufacturing, 34(1), 123–149.
https://doi.org/10.1007/s10845-022-01982-5
Damand, D., Lahrichi, Y., & Barth, M. (2022). A simulation-optimization approach to
parameterize Demand-Driven Material Requirements Planning. IFAC-PapersOnLine,
55(10), 263–268. https://doi.org/10.1016/j.ifacol.2022.09.626
Dessevre, G., Baptiste, P., Lamothe, J., & Pellerin, R. (2023). Visual charts produced by
simulation to correlate service rate, resource utilization and DDMRP parameters.
International Journal of Production Research, 61(3), 741–753.
https://doi.org/10.1080/00207543.2021.2015808
Dessevre, G., Lamothe, J., Pellerin, R., Ali, M. Ben, Baptiste, P., & Pomponne, V. (2023).
Comparison of pull management policies for a divergent process with DDMRP buffers: an
industrial case study. International Journal of Production Research, 61(23), 8022–8042.
https://doi.org/10.1080/00207543.2022.2162997
Eramo, R., Tucci, M., Di Pompeo, D., Cortellessa, V., Di Marco, A., & Taibi, D. (2024).
Architectural support for software performance in continuous software engineering: A
systematic mapping study. Journal of Systems and Software, 207, 111833.
https://doi.org/10.1016/j.jss.2023.111833
Erraoui, Y., & Charkaoui, A. (2022). AN EMPIRICAL COMPARISON OF DRP AND
DEMAND-DRIVEN DRP. Acta Logistica, 9(2), 195–205.
https://doi.org/10.22306/al.v9i2.294
Vol. 11/ Núm. 1 2024 pág. 226
Ferretti, I., & Marchi, B. (2024). Q-Learning for Inventory Management: an application case.
Procedia Computer Science, 232, 2431–2439.
https://doi.org/https://doi.org/10.1016/j.procs.2024.02.062
Flores-Siguenza, P., Marmolejo-Saucedo, J. A., & Niembro-Garcia, J. (2023). Robust
Optimization Model for Sustainable Supply Chain Design Integrating LCA. Sustainability
(Switzerland), 15(19), 14039. https://doi.org/10.3390/su151914039
Gallego-García, D., Gallego-García, S., & García-García, M. (2021). An Optimized System to
Reduce Procurement Risks and Stock-Outs: A Simulation Case Study for a Component
Manufacturer. Applied Sciences, 11(21), 10374. https://doi.org/10.3390/app112110374
González, A., & González, A. (2020). Un modelo de gestión de inventarios basado en estrategia
competitiva. Ingeniare. Revista Chilena de Ingeniería, 28(1), 133–142.
https://doi.org/10.4067/S0718-33052020000100133
Grobler-Dębska, K., Kucharska, E., Żak, B., Baranowski, J., & Domagała, A. (2022).
Implementation of Demand Forecasting Module of ERP System in Mass Customization
Industry—Case Studies. Applied Sciences, 12(21), 11102.
https://doi.org/10.3390/app122111102
Haji Mohammad, F., Benali, M., & Baptiste, P. (2022). An optimization model for demand-driven
distribution resource planning DDDRP. Journal of Industrial Engineering and
Management, 15(2), 338. https://doi.org/10.3926/jiem.3825
Hamidah, M., Mohd Hasmadi, I., Chua, L. S. L., Yong, W. S. Y., Lau, K. H., Faridah-Hanum, I.,
& Pakhriazad, H. Z. (2022). Development of a protocol for Malaysian Important Plant Areas
criterion weights using Multi-criteria Decision Making - Analytical Hierarchy Process
(MCDM-AHP). Global Ecology and Conservation, 34, e02033.
https://doi.org/10.1016/J.GECCO.2022.E02033
Hasbullah, H., & Santoso, Y. (2021). Overstock Improvement by Combining Forecasting, EOQ,
and ROP. Jurnal PASTI, 14(3), 230–242. https://doi.org/10.22441/pasti.2020.v14i3.002
Izar Landeta, J. M., Nájera Saldaña, J. A., & Zárate Camacho, L. A. (2023). Comparative study
of the application of 5 multicriteria decision methods in the case of selection of teaching
staff[Estudio comparativo de la aplicación de 5 métodos multicriterio de decisión al caso de
selección de personal docente]. Ingeniare, 31, 23. https://doi.org/10.4067/S0718-
33052023000100223
Jin, S., & Karki, B. (2024). Integrating IoT and blockchain for intelligent inventory management
in supply chains: A multi-objective optimization approach for the insurance industry.
Journal of Engineering Research. https://doi.org/10.1016/J.JER.2024.04.021
Kaynov, I., van Knippenberg, M., Menkovski, V., van Breemen, A., & van Jaarsveld, W. (2024).
Deep Reinforcement Learning for One-Warehouse Multi-Retailer inventory management.
International Journal of Production Economics, 267, 109088.
Vol. 11/ Núm. 1 2024 pág. 227
https://doi.org/10.1016/J.IJPE.2023.109088
Lahrichi, Y., Damand, D., & Barth, M. (2022). A first MILP model for the parameterization of
Demand-Driven MRP. Computers & Industrial Engineering, 174, 108769.
https://doi.org/10.1016/j.cie.2022.108769
Lahrichi, Y., Damand, D., Barth, M., & Mornay, S. (2023). A first attempt to enhance Demand-
Driven Material Requirements Planning through reinforcement learning. IFAC-
PapersOnLine, 56(2), 1797–1802. https://doi.org/10.1016/j.ifacol.2023.10.1892
Land, M. J., Thürer, M., Stevenson, M., Fredendall, L. D., & Scholten, K. (2021). Inventory
diagnosis for flow improvement—A design science approach. Journal of Operations
Management, 67(5), 560–587. https://doi.org/10.1002/joom.1133
Landeghem, H. Van, & Cottyn, J. (2022). Extending Value Stream Mapping for Lean Production
Planning and Control. Management and Production Engineering Review, 13, 75–82.
https://doi.org/10.24425/mper.2022.142384
Lorente-Leyva, L. L., Alemany, M. M. E., & Peluffo-Ordóñez, D. H. (2024). A conceptual
framework for the operations planning of the textile supply chains: Insights for sustainable
and smart planning in uncertain and dynamic contexts. Computers and Industrial
Engineering, 187, 109824. https://doi.org/10.1016/j.cie.2023.109824
Lorenzo-Espejo, A., Muñuzuri, J., Guadix, J., & Escudero-Santana, A. (2022). A Hybrid
Metaheuristic for the Omnichannel Multiproduct Inventory Replenishment Problem.
Journal of Theoretical and Applied Electronic Commerce Research, 17(2), 476–492.
https://doi.org/10.3390/jtaer17020025
Malindzakova, M., Garaj, P., Trpčevská, J., & Malindzak, D. (2022). Setting MRP Parameters
and Optimizing the Production Planning Process. Processes, 10(4), 690.
https://doi.org/10.3390/pr10040690
Mañay, L. O. R., Guaita-Pradas, I., & Marques-Perez, I. (2022). Measuring the Supply Chain
Performance of the Floricultural Sector Using the SCOR Model and a Multicriteria
Decision-Making Method. Horticulturae, 8(2), 168.
https://doi.org/10.3390/horticulturae8020168
Martin, G., Lauras, M., & Baptiste, P. (2023). Dynamical multi-parameter sizing of DDMRP
buffers in finite capacity flow-shops. Computers & Industrial Engineering, 175, 108858.
https://doi.org/10.1016/j.cie.2022.108858
Mendoza, A., Solano, C., Palencia, D., Garcia, D., Mendoza, A., Solano, C., Palencia, D., &
Garcia, D. (2019). Application of the Analytical Hierarchy Process (AHP) for decision-
making with expert judgment. Ingeniare. Revista Chilena de Ingeniería, 27(3), 348–360.
https://doi.org/10.4067/S0718-33052019000300348
Vol. 11/ Núm. 1 2024 pág. 228
Muyulema-Allaica, J.-C., & Ruiz-Puente, C. (2022). FRAMEWORK PROPOSAL FOR THE
DESIGN OF LEAN CIRCULAR PRODUCTION SYSTEMS BASED ON CASE
STUDIES. DYNA, 97(5), 515–521. https://doi.org/10.6036/10540
Paredes-Rodriguez, A. M., Ciro-Jaramillo, K. A., & Jaramillo-Ceballos, J. D. (2022). Simulación
de una política de inventario basada en la metodología Demand Driven MRP desde un
enfoque de redes de Petri. Ingeniería, 27(1), e18002.
https://doi.org/10.14483/23448393.18002
Pekarcikova, M., Trebuna, P., Kliment, M., & Schmacher, B. A. K. (2022). Milk Run Testing
through Tecnomatix Plant Simulation Software. International Journal of Simulation
Modelling, 21(1), 101–112. https://doi.org/10.2507/ijsimm21-1-593
Pekarcıkova, M., Trebuna, P., Kliment, M., & Trojan, J. (2023). Demand driven material
requirements planning. Some methodical and practical comments. Management and
Production Engineering Review, 10(2), 50–59. https://doi.org/10.24425/mper.2019.129568
Reyes, J., Mula, J., & Diaz-Madroñero, M. (2024). Quantitative insights into the integrated push
and pull production problem for lean supply chain planning 4.0. International Journal of
Production Research. https://doi.org/10.1080/00207543.2024.2312205
Rivadinayra, O. C., Cueva, J. A. P., & Cárdenas, G. A. M. (2022). Revisión de la Literatura sobre
Gestión de Inventario en la Industria Textil. Qantu Yachay, 2(1), 26–40.
https://doi.org/10.54942/QANTUYACHAY.V2I1.19
Rojas, F., Wanke, P., Leiva, V., Huerta, M., & Martin-Barreiro, C. (2022). Modeling Inventory
Cost Savings and Supply Chain Success Factors: A Hybrid Robust Compromise Multi-
Criteria Approach. Mathematics, 10(16), 2911. https://doi.org/10.3390/math10162911
Romero-Martínez, L., Chincoya-Benítez, L. I., Flores-Camacho, G., González-Nativitas, K. G.,
& Caballero-Morales, S. O. (2022). Improvement of competitiveness through the
application of analytic hierarchy process, game theory, decision trees and design of
experiments tools·[Mejora en competitividad mediante la aplicación de herramientas de
proceso de análisis jerárquico, teoría de juegos, árboles de decisión y diseño de
experimentos]. DYNA (Colombia), 89(220), 187–194.
https://doi.org/10.15446/DYNA.V89N220.92289
Saha, C., Jana, D. K., & Duary, A. (2023). Enhancing production inventory management for
imperfect items using fuzzy optimization strategies and Differential Evolution (DE)
algorithms. Franklin Open, 5, 100051. https://doi.org/10.1016/J.FRAOPE.2023.100051
Salah, A., Çağlar, D., & Zoubi, K. (2023). The Impact of Production and Operations Management
Practices in Improving Organizational Performance: The Mediating Role of Supply Chain
Integration. Sustainability, 15(20), 15140. https://doi.org/10.3390/su152015140
Salazar, F., Martínez-García, M. S., de Castro, A., Chávez-Fuentes, C., Cazorla, M., Ureña-
Aguirre, J. del P., & Altamirano, S. (2023). UAVs for Business Adoptions in Smart City
Vol. 11/ Núm. 1 2024 pág. 229
Environments: Inventory Management System. Electronics (Switzerland), 12(9), 2090.
https://doi.org/10.3390/electronics12092090
Silva, P. M., Gonçalves, J. N. C., Martins, T. M., Marques, L. C., Oliveira, M., Reis, M. I., Araújo,
L., Correia, D., Telhada, J., Costa, L., & Fernandes, J. M. (2022). A hybrid bi-objective
optimization approach for joint determination of safety stock and safety time buffers in
multi-item single-stage industrial supply chains. Computers & Industrial Engineering, 168,
108095. https://doi.org/10.1016/j.cie.2022.108095
Stewart, C. L., & Dewan, M. A. A. (2022). A Systemic Mapping Study of Business Intelligence
Maturity Models for Higher Education Institutions. Computers 2022, Vol. 11, Page 153,
11(11), 153. https://doi.org/10.3390/COMPUTERS11110153
Stranieri, F., Fadda, E., & Stella, F. (2024). Combining deep reinforcement learning and multi-
stage stochastic programming to address the supply chain inventory management problem.
International Journal of Production Economics, 268, 109099.
https://doi.org/10.1016/J.IJPE.2023.109099
Thürer, M., Fernandes, N. O., & Stevenson, M. (2022). Production planning and control in multi-
stage assembly systems: an assessment of Kanban, MRP, OPT (DBR) and DDMRP by
simulation. International Journal of Production Research, 60(3), 1036–1050.
https://doi.org/10.1080/00207543.2020.1849847
Wang, L., Xiong, J., & Ruan, C. (2024). Research on product design of FAHP bone marrow
aspiration needle. Heliyon, 10(5), e27389.
https://doi.org/10.1016/J.HELIYON.2024.E27389
Xanthopoulos, A., & Kostavelis, I. (2024). Novel Simulation Optimization Approach for Supply
Chain Coordination and Management. Procedia Computer Science, 232, 1646–1653.
https://doi.org/https://doi.org/10.1016/j.procs.2024.01.162
Xu, G., Guan, Z., Yue, L., & Mumtaz, J. (2023). An efficient production planning approach based
demand driven MRP under resource constraints. International Journal of Industrial
Engineering Computations, 14(3), 451–466. https://doi.org/10.5267/j.ijiec.2023.5.003
Zavala-Alcívar, A., Verdecho, M. J., & Alfaro-Saiz, J. J. (2023). Supply chain resilience: A
conceptual evolution analysis. Direccion y Organizacion, 79, 5–17.
https://doi.org/10.37610/dyo.v0i79.633
Zhai, T., Wang, D., Zhang, Q., Saeidi, P., & Raj Mishra, A. (2023). Assessment of the agriculture
supply chain risks for investments of agricultural small and medium-sized enterprises
(SMEs) using the decision support model. Economic Research-Ekonomska Istrazivanja ,
36(2), 2126991. https://doi.org/10.1080/1331677X.2022.2126991